用户流失及转换预测的前期工作

刚刚接手一个小型的某旅游O2O网站酒店订单数据分析项目，目的是分析用户流失关键影响因素，并对访问转化进行预测。

在预测前对该网站访问下单路径、用户生命周期以及本次的分析思路进行梳理。

1.业务流程（用户访问下单路径）

• 用户登陆（读取到用户画像指标、行为偏好、记录登陆时长）
• 访问酒店详情页（访问日期和时点、访问会话id、当前酒店画像）
• 访问订单填写页（入住日期、当前酒店所在城市同一入住日期的昨日订单）
• 下达订单（label）

2.用户生命周期

• 用户注册、首次登陆
• 用户首次访问酒店详情页
• 用户首次访问订单填写页
• 用户首次下单
• 用户非首次下单
• 用户取消订单
• 用户长期未下单
• 用户长期未访问

3.分析思路

• 从业务上对数据分类
  • 当前访问下单数据
  • 当前用户画像及行为偏好
  • 当前用户长期历史访问下单数据
  • 当前用户短期历史访问数据
  • 当前酒店的历史数据
  • 当前城市的昨日热度
• 用户流失分析
  • 探索流失指标和阈值，定义用户流失，构建流失label
  • 假设流失只与用户画像及行为偏好、长期历史访问下单数据有关，从中探索影响显著的变量
  • 由于是分类问题，以logistic回归、决策树、神经网络、SVM等分别建模，评估模型效果
  • 选用效果好的模型，解释关键影响因素
• 用户酒店匹配度分析
  • 用户短期历史访问指标均值、最值分别与酒店指标归一化
  • 归一化后的用户短期历史访问指标均值、最值分别与酒店对应指标差分
  • 差分指标求平方和，作为用户酒店匹配度指标
• 访问转化预测
  • 构建变量提前期（=入住日期-访问日期）
  • 从提前期、访问时点、是否新访问会话、用户画像、用户酒店匹配度、当前城市昨日热度中筛选自变量
  • 由于是分类问题，以随机森林、XGboost、LSTM模型等分别建模，评估模型效果
  • 选用效果好的模型作为访问转化预测模型